一种基于人工智能的普适信道模型自适应参数优化方法

本发明涉及信道建模，特别是一种基于人工智能的普适信道模型自适应参数优化方法。

背景技术：

1、近年来，第六代无线通信系统6g面向全频段、全覆盖和多样化业务场景的发展需求不断增强，通信场景已由传统地面场景逐步扩展至空天地海一体化覆盖，信道建模作为无线通信系统设计、性能评估、网络优化和标准化研究的重要基础，其作用愈发突出。现有标准化或准标准化信道模型，如3gpp tr 38.901、imt-2030、quadriga和winner ii等，在频段覆盖范围和场景覆盖范围方面仍存在一定局限，难以充分满足6g面向多频段、多场景统一建模的需求。针对上述问题，已有研究提出了6g普适信道模型6gpcm，用于为不同频段和全局覆盖场景提供统一的建模框架。

2、现有信道模型大多建立在几何随机信道模型框架基础之上，模型参数的合理配置直接影响信道统计特性的拟合精度和模型适用性。在普适信道模型中，参数通常包括大尺度参数和小尺度参数，其中大尺度参数用于描述时延扩展、角度扩展和rician k因子等统计分布特征，小尺度参数用于描述簇时延结构、簇功率起伏、簇数及每簇射线数等细节特征。由于大尺度参数和小尺度参数之间存在较强耦合关系，且不同频段、不同场景下参数敏感性差异明显，使得参数优化呈现高维、复杂和场景相关的特点。尤其是在星地、空地和海上等新型传播场景下，信道统计特性随卫星仰角、飞行高度、水平距离以及海面传播环境变化而显著变化，进一步增加了参数优化难度。

3、现有参数配置方法通常依赖于信道测量结果，通过多径或散射簇提取、统计特性拟合以及人工调参等方式获得模型参数。该类方法虽然能够在一定程度上提高仿真信道与测量信道之间的一致性，但存在参数提取过程复杂、对人工经验依赖较强、优化效率较低以及在高维参数空间中难以获得全局较优解等问题。进一步地，现有方法在参数优化过程中，往往难以同时兼顾时延域和角度域统计特性的联合匹配，导致得到的参数配置在单一统计指标上表现较好，但在多域联合拟合方面仍存在不足。

4、另一方面，人工智能技术近年来已逐步应用于无线信道预测和信道建模领域，能够利用数据学习信道特性与环境因素之间的隐含关系，提高复杂传播条件下的建模和预测能力。然而，现有人工智能方法更多集中于预测性信道建模、信道样本生成或特定模块优化，直接将人工智能用于普适信道模型参数优化，特别是用于多频段、多场景条件下大尺度参数和小尺度参数的联合优化，相关研究仍较少。与此同时，传统启发式搜索方法或网格搜索方法在高维混合参数空间中的计算开销较大，难以兼顾优化精度与优化效率。现有普适信道模型在多频段、多场景条件下存在参数配置依赖经验、优化效率低以及难以同时兼顾多个域统计特性联合匹配的问题。

5、因此，亟需提出一种新的普适信道模型参数优化方法，以信道测量统计特性为目标，在保证模型物理约束的前提下，实现对多频段、多场景普适信道模型参数的高效优化，提升仿真信道与测量信道在时延域和角度域统计特性上的匹配精度，从而更好地服务于6g无线通信系统仿真、性能评估和网络优化。

技术实现思路

1、本发明所要解决的技术问题是克服现有技术的不足而提供一种基于人工智能的普适信道模型自适应参数优化方法，本发明针对普适信道模型中大尺度参数和小尺度参数强耦合、参数空间维数高、连续参数与离散参数混合优化困难等问题，利用深度强化学习建立参数与信道统计特性之间的自适应优化机制，在模型物理约束范围内实现参数自动更新，从而提高仿真信道与测量信道在均方根时延扩展和均方根角度扩展等统计特性上的匹配精度，并提升多频段、多场景下普适信道模型参数优化的准确性和效率。

2、本发明为解决上述技术问题采用以下技术方案：

3、根据本发明提出的一种基于人工智能的普适信道模型自适应参数优化方法，包括：

4、步骤s1、确定普适信道模型参数优化所对应的传播场景、频段及系统配置，并基于传播场景、频段及系统配置构建普适信道模型参数优化环境；

5、步骤s2、基于步骤s1构建的普适信道模型参数优化环境，对传播场景下的信道测量数据进行预处理，从预处理后的信道测量数据中提取作为参数优化目标的测量信道统计特性；

6、步骤s3、构建普适信道模型的待优化信道模型参数向量，待优化信道模型参数向量包括大尺度参数向量和小尺度参数向量；待优化信道模型参数向量输入普适信道模型后得到仿真信道统计特性；对大尺度参数向量和小尺度参数向量设置取值范围；

7、步骤s4、将参数优化过程建模为马尔可夫决策过程，根据每个大尺度参数向量和小尺度参数向量的取值范围设计状态空间、动作空间和仿真信道统计特性与测量信道统计特性之间的误差向量；

8、步骤s5、基于步骤s2提取的作为参数优化目标的测量信道统计特性、步骤s3得到的仿真信道统计特性、以及步骤s4的状态空间、动作空间和误差向量，构建用于评价仿真信道统计特性与测量信道统计特性匹配程度的奖励函数；

9、步骤s6、基于步骤s4建立的马尔可夫决策过程和步骤s5构建的奖励函数，采用深度强化学习算法对待优化信道模型参数向量进行迭代更新，得到优化后的信道模型参数向量。

10、作为本发明所述的一种基于人工智能的普适信道模型自适应参数优化方法进一步优化方案，步骤s1包括：

11、s101、选择一种传播场景和一个载波频段作为参数优化对象，传播场景包括室内、室外、星地、空地和海上场景中的一种或多种；

12、s102、确定传播场景下的系统配置参数，系统配置参数包括带宽、发射端与接收端天线阵列形式、天线高度、运动轨迹以及视距或非视距传播条件；

13、s103、基于传播场景和系统配置参数构建普适信道模型参数优化环境。

14、作为本发明所述的一种基于人工智能的普适信道模型自适应参数优化方法进一步优化方案，步骤s2包括：

15、s201、根据步骤s1确定的传播场景、频段及系统配置参数，获取信道测量数据，并进行去噪、归一化和统计整理；

16、s202、根据信道测量数据计算时延功率谱密度和角度功率谱密度，提取时延扩展ds和角度扩展as样本；

17、s203、构建时延扩展ds样本和角度扩展as样本的累积分布函数，得到作为参数优化目标的测量信道统计特性。

18、作为本发明所述的一种基于人工智能的普适信道模型自适应参数优化方法进一步优化方案，步骤s3包括：

19、s301、定义待优化信道模型参数向量，具体包括：根据几何随机信道模型gbsm的先验知识，定义待优化信道模型参数向量如下：

20、

21、其中，和分别为大尺度参数向量和小尺度参数向量，为待优化信道模型参数向量，是转置运算；

22、s302、定义大尺度参数向量和小尺度参数向量；大尺度参数向量和小尺度参数向量共同组成了待优化信道模型参数向量，大尺度参数向量和小尺度参数向量分别定义如下：

23、

24、

25、其中，大尺度参数向量中，和分别表示时延扩展对数域均值和标准差，和分别表示角度扩展对数域均值和标准差，和分别表示rician k因子的均值和标准差；小尺度参数向量中，为时延分布缩放因子，为簇阴影衰落标准差，为散射簇数，为每簇内射线数；并对大尺度参数向量和小尺度参数向量设置取值范围。

26、作为本发明所述的一种基于人工智能的普适信道模型自适应参数优化方法进一步优化方案，步骤s4包括：

27、s401、将参数优化过程建模为马尔可夫决策过程；马尔可夫决策过程，定义为；其中，表示状态空间，表示动作空间，表示状态转移概率，表示奖励函数空间；

28、s402、设计状态空间；状态空间由状态向量构成；状态向量，包括大尺度参数向量、小尺度参数向量以及仿真信道统计特性与测量信道统计特性之间的误差向量；状态向量定义如下：

29、

30、其中，表示智能体与普适信道模型参数优化环境的交互步数，表示第个交互步数的状态向量，表示第个交互步数的大尺度参数向量，表示第个交互步数的小尺度参数向量，表示仿真信道统计特性与测量信道统计特性之间的误差向量，表示第个交互步数的误差向量；

31、s403、设计动作空间；动作空间由动作向量构成；动作向量，具体包括，用于对第个交互步数的待优化信道模型参数向量进行增量更新；动作向量定义如下：

32、

33、其中，表示第个交互步数的动作向量，用于更新待优化信道模型参数向量，更新方法如下：

34、

35、其中，表示第个交互步数的信道模型参数向量，表示信道模型参数向量更新的最大值向量，表示哈达玛积；

36、s404、设计仿真信道统计特性与测量信道统计特性之间的误差向量；误差向量，具体包括，以仿真信道统计特性和测量信道统计特性的累积分布函数cdf之间的归一化均方根误差nrmse和柯尔莫哥洛夫-斯米尔诺夫ks距离构建误差向量，用于表征当前参数配置的匹配程度；nrmse和ks距离分别定义如下：

37、

38、；

39、其中，表示信道特性，此处表示时延扩展ds和角度扩展as，和分别表示测量和仿真的信道统计特性的累计分布函数cdf，表示仿真信道统计特性与测量信道统计特性之间的nrmse，表示仿真信道统计特性与测量信道统计特性之间的ks距离，表示累积分布函数的定义域，为数学期望，因此，误差向量定义如下：

40、

41、其中，为仿真信道和测量信道的时延扩展cdf之间的nrmse，为测量信道的时延扩展cdf，为仿真信道的时延扩展cdf，为仿真信道和测量信道的时延扩展cdf之间的ks距离，为仿真信道和测量信道的角度扩展cdf之间的nrmse，为测量信道的角度扩展cdf，为仿真信道的角度扩展cdf，为仿真信道和测量信道的角度扩展cdf之间的ks距离。

42、作为本发明所述的一种基于人工智能的普适信道模型自适应参数优化方法进一步优化方案，步骤s5包括：

43、s501、构建成功奖励项；

44、当误差向量小于预设的成功判定阈值时给予智能体正奖励，并随交互步数增加进行衰减；成功奖励项定义如下：

45、

46、

47、其中，表示在交互步数时的成功奖励项，是预设的成功判定阈值向量，表示在交互步数的成功奖励事件，是成功奖励系数，是每个决策回合的最大交互步数；

48、s502、构建惩罚项，包括，当误差向量超过预设的惩罚判定阈值时，给予惩罚；惩罚项定义如下：

49、

50、其中，表示在交互步数时的惩罚项，表示在交互步数时的误差，和分别是误差向量和交互步数的惩罚系数，是预设的惩罚判定阈值；

51、s503、构建参数引导奖励项，参数引导奖励项定义如下：

52、

53、其中，表示在第个交互步数的参数引导奖励项，表示在第个交互步数的误差，是误差降低引导系数，和分别是大尺度参数向量和小尺度参数向量的优化引导系数，和分别是在第个交互步数的大尺度参数向量和小尺度参数向量的动作向量；

54、s504、构建奖励函数，在第个交互步数的奖励函数，定义如下：

55、。

56、作为本发明所述的一种基于人工智能的普适信道模型自适应参数优化方法进一步优化方案，步骤s6包括：

57、s601、采用基于软演员评论家算法sac的深度强化学习智能体进行训练，深度强化学习智能体包括策略网络、双评论家网络、目标网络和经验回放缓存；

58、s602、在每一训练轮次中，由策略网络根据第个交互步数的状态向量和动作向量更新待优化信道模型参数向量，计算第个交互步数的奖励函数值，并存储更新后的状态向量至经验回放缓存中；

59、s603、从经验回放缓存中随机抽取批量样本，对双评论家网络、策略网络进行迭代更新，并同步更新目标网络；在软演员评论家算法训练至待优化的信道模型参数向量收敛后，输出优化后的信道模型参数向量。

60、本发明采用以上技术方案与现有技术相比，具有以下技术效果：

61、首先，本发明以信道测量统计特性作为优化目标，将时延域和角度域统计特性的匹配结果共同纳入参数优化过程，能够提高普适信道模型对目标场景信道统计特性的拟合精度。其次，本发明将普适信道模型参数优化过程建模为马尔可夫决策过程，并采用深度强化学习对大尺度参数和小尺度参数进行联合优化，能够有效降低传统人工调参和网格搜索方法在高维参数空间中的计算负担，提高参数优化效率。再次，本发明同时适用于室内、室外、星地、空地和海上等多种传播场景，以及sub-6 ghz、厘米波和毫米波等多个频段，具有较好的场景扩展能力和频段适应能力。最后，本发明获得的优化参数配置可使普适信道模型生成的仿真信道更接近真实测量信道，为6g无线通信系统仿真、性能评估、网络优化和信道建模研究提供有效支撑，具有良好的应用价值。